R代码:

my.data <- mtcars[,c(1,3)] # 仅包含两列mpg和disp

lm(mpg~disp,data=my.data) # R代码用于拟合回归线

R输出:

Call:  lm(formula = mpg ~ disp, data = my.data)Coefficients:  (Intercept)         disp       29.59985     -0.04122  

将R数据集写入磁盘文件

write.table(my.data,'~/Downloads/mtcars',sep=",",row.name=F,col.names=F) 

Octave代码:

cd ~/Downloadsdata=load('mtcars') # 使用R数据集拟合模型x=data(:,2)y=data(:,1) cd ~/Dropbox/ML/mlclass-ex1-004/mlclass-ex1 %无任何错误xn=featureNormalize(x) # 使用均值和标准差进行特征归一化x1=[ones(length(x),1),xn]theta=zeros(size(x1,2),1)g=gradientDescent(x1,y,theta,alpha=.1,10000)

g的输出为:

g =20.0906-5.0277

如果你查看截距和disp的系数，你会发现R的输出和Octave的输出并不接近。

有谁知道这种差异从何而来？哪个是正确的？

回答：

你在Octave代码中对特征进行了归一化。在R中做同样的处理会得到相似的结果。

R> mtcars$normalized_disp <- as.numeric(scale(mtcars$disp))R> lm(mpg ~ normalized_disp, data = mtcars)Call:lm(formula = mpg ~ normalized_disp, data = mtcars)Coefficients:    (Intercept)  normalized_disp           20.091           -5.108